一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法
【技术领域】
[0001] 本发明涉及一种高炉炼铁过程多元铁水质量参数在线预报方法，特别涉及一种基 于多元在线序贯极限学习机（M-OS-ELM)的高炉炼铁过程多元铁水质量参数在线预报方 法，属于高炉冶炼自动化控制领域。
【背景技术】
[0002] 高炉是一个在炼铁过程中的大型的对流反应器和热交换器。高炉炼铁通过炉内发 生的复杂的气-固、固-固、固-液反应将铁从铁矿石等含铁化合物中还原出来，冶炼出质 量合格的铁水。铁水质量指标作为高炉炼铁过程中最为重要的生产指标，直接决定了后续 钢铁产品的质量和高炉冶炼过程的能耗状态。实际生产中，通常采用铁水温度（物理热）、 铁水硅元素含量（化学热，简称[Si])、硫元素含量（简称[S])、磷元素含量（简称[P])等 参数来综合衡量铁水质量的高低。然而，高炉内的高温、高压、多场、多相耦合的动态特性， 以及各种动态干扰和直接测量时严酷的环境使得高炉内部状态和铁水质量参数难以在线 检测。因此，就需要依赖于其他方便检测的参数建立高炉多元铁水质量参数的在线预报系 统。
[0003] 专利公开号CN101211383A公开了 "一种高炉铁水硅含量的特征分析预报方法"， 使用遗传算法优化的最小二乘支持向量机对高炉铁水中的硅（Si)含量进行预报。该方法 通过对原有样本进行指数加权移动平均滤波和归一化预处理对样本数据进行特征提取，建 立了高炉铁水硅含量预报的动态递归模型。
[0004] 专利公开号CN103320559A公开了 "一种高炉铁水硫含量预报方法"，采用包含硫 含量短期均值、硫含量中期均值、硫含量长期均值等变量作为模型的输入变量。该方法以较 少的自变量结合RBF神经网络建模技术，实现了对生铁中硫含量的精确预报。
[0005] 专利公开号CN101457264A公开了 "高炉炉温优化控制方法"，在考虑实际系统的 时滞性和不确定性的情况下，通过建立阶梯式动态矩阵预测控制算法的预测模型对高炉炉 温进行预测，修正了优化模型的误差。
[0006] 上述专利报道的方法以及其他众多文献相关类似方法和技术只是针对单一的铁 水质量元素（如铁水温度、Si含量、S含量等）进行预报或软测量，未能对表征高炉铁水质 量的主要参数，即[Si]、[P]、[S]和铁水温度同时进行多元在线预报，因而不能全面反映铁 水质量的整体水平，实用性较差。同时，由于这些方法没有考虑输入输出时序以及过程的时 滞关系，所建立的静态模型并不能很好地反映高炉冶炼过程的固有动态特性。在冶炼工况 变化显著时，这些方法就不能适应工况的变化而对铁水质量参数进行较为准确地测量。综 上所述，目前国内外还没有专门针对高炉冶炼过程铁水质量参数（[Si]、[P]、[S]和铁水温 度）进行多元动态预报的方法。
【发明内容】
[0007] 本发明的目的就在于为了解决上述高炉冶炼过程铁水质量参数在线预报 方法的不足，基于文献[Nan-YingLiang；Guang-BinHuang；Saratchandran,P.； Sundararajan,N. ,AFastandAccurateOnlineSequentialLearningAlgorithmfor FeedforwardNetworks,''NeuralNetworks,IEEETransactionson,vol. 17,no. 6,pp. 1411 -1423,Nov. 2006]提出多维在线序贯极限学习机（M-OS-ELM)技术，在主成分分析方法降低 模型结构的基础上，分析出模型的辅助变量，并构造出一个具有输出自反馈结构且考虑不 同时刻输入输出数据的多元铁水质量参数在线预报方法，可同时对[Si]、[P]、[S]和铁水 温度四大铁水质量指标进行多元在线动态预报。本发明可基于钢厂现有常规在线测量设备 提供的数据作为模型输入，给出当前和未来指定时间区间的多元铁水质量参数的在线估计 值，为高炉炼铁生产过程的优化操作和运行提供关键质量指标。
[0008] 为实现上述目的，本发明采用的技术方案是：这种基于多元在线序贯极限学习机 的高炉铁水质量在线预报体系，其特点是基于常规测量系统、数据采集器、M-0S-ELM在线预 报软件以及运行软件的计算机系统构成，其中常规测量系统中的流量计、压力计、温度计和 湿度计等安装于高炉冶炼系统的各个相应位置，数据采集器连接常规测量系统，并通过通 信总线连接运行在线预报软件的计算机系统。
[0009] 所述的常规测量系统中的常规测量仪表包括：
[0010] 三个分别用于在线测量高炉煤粉喷吹系统煤粉喷吹量、富氧流量、冷风流量的流 量计，
[0011] 一个用于在线测量高炉热风系统的热风温度的温度计，
[0012] 一个用于在线测量高炉热风系统的热风压力的压力计，
[0013] 一个用于在线测量高炉热风系统的鼓风湿度的湿度计，
[0014] 还包括两个测量分析仪：
[0015] -个炉腹煤气量测量分析仪通过流量计测量得到的冷风流量、富氧流量以及煤粉 喷吹量，以及湿度计测量得到的鼓风湿度，分析计算出炉腹煤气量参数；
[0016] -个富氧率测量分析仪通过流量计测量得到的冷风流量、富氧流量，以及湿度计 测量得到的鼓风湿度，分析计算出富氧率参数。
[0017] 这种基于多元在线序贯极限学习机的高炉铁水质量在线预报方法，包括以下步 骤：
[0018] (1)辅助变量选择与模型输入变量确定
[0019] 需要预报建模的高炉铁水质量参数为Si(硅）含量（[Si])yi(%)、p(磷）含量 ([P])y2(%)、S(硫）含量（[S])y3(%)和铁水温度y4(°C)。根据高炉炼铁过程工艺机理 以及变量的可测、可观和变量之间的相关性分析，确定选择预报建模的辅助变量为：炉腹煤 气量七(m3)、热风温度u2(°C)、热风压力u3 (KPa)、富氧率u4、鼓风湿度u5 (RH)、喷煤量u6 (m3/ h) 〇
[0020] 根据炼铁过程动态特性和建模输入输出变量的时序关系，基于上述6个辅助变 量，确定如下16个变量作为铁水质量预报模型的输入变量：
[0021]当前时刻到前TSample(TSample根据铁水质量参数的离线分析周期来决定，一般有TSample= 30分钟）时刻的炉腹煤气量测量统计均值(m:;);
[0022] 当前时刻到前TSample时刻的热风温度测量统计均值％(〇CC);
[0023] 当前时刻到前TSample时刻的热风压力测量统计均值A⑴（KPa);
[0024] 当前时刻到前TSample时刻的富氧率测量统计均值;
[0025] 当前时刻到前TSample时刻的鼓风湿度测量统计均值巧⑴（RH);
[0026] 当前时刻到前TSa_时刻的喷煤量测量统计均值％⑴（m3/h).
[0027] 前TSample时刻到前2TSample时刻的炉腹煤气量测量统计均值拓(f-lxU(m3);
[0028] 前TSample时刻到前2TSample时刻的热风温度测量统计均值(°C);
[0029] 前TSample时刻到前2TSample时刻的热风压力测量统计均值％((-lxT-) (KPa); [0030] 前TSampl』寸刻到前2TSample时刻的富氧率测量统计均值-lxT&_);
[0031] 前TSample时刻到前2TSample时刻的鼓风湿度测量统计均值％(?-(RH);
[0032] 前TSample时刻到前2TSan^时刻的喷煤量测量统计均值忑(f-lx7^/f) (mVh);
[0033] 前TSample时刻[Si]估计值外(卜 1xT&_) (%);
[0034] 前TSample时刻[P]估计值外(〖-1x) (%);
[0035] 前TSample时刻[S]估计值 /e) (%);
[0036] 前TSample时刻铁水温度估计值) (°C);
[0037] ⑵M-SVR软测量模型的训练和使用
[0038] (A)开始：所有变量初始化；
[0039] (B)若选择为M-0S-ELM模型训练，转至（C)读取需要进行模型训练的数据集；若 选择为铁水质量参数在线预报，转至（J)调取已经训练完的高炉铁水质量参数多元在线预 报模型；
[0040] (C)读取模型训练所需数据集：从数据库中读取或输入模型训练学习所需数据集 Y= N。}，/V。》淤进行模型学习初始化，在这里，私是 M-0S-ELM模型隐含层节点的数目，\为输入数据集，t$输出数据集，心为数据集数量，Rn 表示n维实数集；Rm表示m维实数集；这里n为16,m为4。
[0041] (D)数据预处理：针对高炉炼铁过程由于炉况不稳和仪器监测不精确产生的跳变 数据，采用噪声尖峰滤波算法用于剔除高炉生产的噪声尖峰跳变数据；然后采用移动平均 滤波算法用于剔除滤波后训练数据中较小的高频测量噪声波动干扰：最后，对滤波处理后 的数据进行归一化处理后，作为最终的在线预报模型的训练数据；
[0042] (E)模型相关待定参数确定：M-0S-ELM模型需要预先设定的待定参数包括：
[0043] 模型隐含层节点类型（addictive或RBF)，激活函数类型g，隐含层节点数目及。
[0044] (F)M-0S-ELM模型初始化训练及模型参数确定：
[0045] 基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训 练；模型的训练和学习具体包括两个阶段，初始化阶段（initializationphase)和在线序 贯学习阶段（sequentiallearningphase)。在初始化阶段，计算隐含层输出矩阵H。（由 下述式（1)定义）供学习阶段使用。％所需要的数据数目需要至少和隐含层节点的数目相 等。在接下来的序贯学习过程中，数据会以单个或数据块的形式进入，一旦数据被训练使用 完后就会被丢弃。
[0046] 模型初始化训练具体步骤如下：
[0047]步骤（a):从给定的训练数据集